1
00:00:05,030 --> 00:00:08,110
أعوذ بالله السلام عليهم باسم الله الرحمن الرحيم

2
00:00:08,110 --> 00:00:11,910
الحمد لله والصلاة والسلام على رسول الله أهلا وسهلا

3
00:00:11,910 --> 00:00:15,150
فيكم او ناسأل الله لكم و لنا السلام دائما و لجميع

4
00:00:15,150 --> 00:00:18,710
المسلمين و ان شاء الله بتزولها الغمة و بنلقاكم من

5
00:00:18,710 --> 00:00:22,220
جديداللي اليوم هنستقنف مع بعض ان شاء الله تعالى

6
00:00:22,220 --> 00:00:27,400
المحاضرات المصورة لموضوع ال data mining ومن ثم

7
00:00:27,400 --> 00:00:31,100
هنعمل review سريعة لو احنا وقفنا .. كنا بدينا في

8
00:00:31,100 --> 00:00:33,800
chapter data mining .. data mining chapter تلاتة

9
00:00:33,800 --> 00:00:36,760
في ال classification وقلنا ال classification هي

10
00:00:36,760 --> 00:00:40,600
عبارة عن classical task تقليدية او المهمة

11
00:00:40,600 --> 00:00:43,680
التقليدية في ال machine learning هدفها ان انا

12
00:00:43,680 --> 00:00:49,160
فعليا اعمل prediction لdiscrete او لنومينال value

13
00:00:49,160 --> 00:00:52,240
اللي حسمناها ال categorial value و لما حاولنا نعرف

14
00:00:52,240 --> 00:00:55,240
ال classification مع بعض كنتوا فاكرين كنا بنقول ان

15
00:00:55,240 --> 00:00:59,320
ال classification هي عبارة عن عملية لتحديد عضوية

16
00:00:59,320 --> 00:01:06,530
العناصر إلى مجموعات معرفة مسبقاوتكلمنا أو حطينا

17
00:01:06,530 --> 00:01:09,770
الرسم هاي على السريع وقلنا انه هذه هي بتمثل ال

18
00:01:09,770 --> 00:01:13,230
model تبع ال classification انه انا بزود ال raw

19
00:01:13,230 --> 00:01:16,390
data بحدد ال algorithm ال algorithm بيبني model

20
00:01:16,390 --> 00:01:19,110
وال model بعد هيك المفروض يكون قادر على ال

21
00:01:19,110 --> 00:01:25,180
prediction بشكل صحيح وبالتاليالـ classification هي

22
00:01:25,180 --> 00:01:28,920
عبارة عن تقنية يستخدم في موضوع ال prediction

23
00:01:28,920 --> 00:01:34,080
للممبرشب لعضوية العناصر المجموعة واتكلمنا انه

24
00:01:34,080 --> 00:01:37,620
فعليا في ال classification task انا فيه عندي two

25
00:01:37,620 --> 00:01:40,300
steps اي classification task عشان انجزها انا فيه

26
00:01:40,300 --> 00:01:43,460
عندي two steps الأولى ال construction للموديل

27
00:01:43,460 --> 00:01:47,160
ابناء الموديل بحيث انه انا احاول من خلال الخطوات

28
00:01:47,160 --> 00:01:53,090
هذه اتعرف علىعلاقة الـ attribute مع ال class اتعرف

29
00:01:53,090 --> 00:01:55,490
على علاقة ال attribute بال class وهذه بيسميناها

30
00:01:55,490 --> 00:01:58,890
مرحلة لل training واللي دائما باخد جزء من ال data

31
00:01:58,890 --> 00:02:02,450
set اللي بيسميها ال training set وشوفنا مثالها ده

32
00:02:02,450 --> 00:02:05,410
سابقا اللحظة التانية او المحل الخطوة التانية اللي

33
00:02:05,410 --> 00:02:08,890
هي ال model usage استخدامه بحيث انه انا اوجد ال

34
00:02:08,890 --> 00:02:13,090
label او ال target class ل data set او عفوا ل

35
00:02:13,090 --> 00:02:18,970
sample set موجودة عندى مسبقاوقلنا مهم جدا ان ال

36
00:02:18,970 --> 00:02:21,450
model او ال classification model تبعي يتمتع بال

37
00:02:21,450 --> 00:02:24,790
accuracy بالدقة بال speed سرعة ال computation

38
00:02:24,790 --> 00:02:28,110
الموجودة robustness ال robustness اللى مبسوط فيها

39
00:02:28,110 --> 00:02:33,710
اللى مجددش قدرة ال classifier هذا علىانه يتعامل او

40
00:02:33,710 --> 00:02:36,950
يقدر يديني اكيرية prediction لما تكون ال data

41
00:02:36,950 --> 00:02:39,370
بتحتوي على noise او missing data اتكلمنا عن

42
00:02:39,370 --> 00:02:42,830
scalability و ال interpretability لل data set او

43
00:02:42,830 --> 00:02:46,910
عفوا لل classifier و بيقولنا هذه مجموعة من ال

44
00:02:46,910 --> 00:02:50,050
algorithms الموجودة و كنا المحاضرة الماضية هنا مع

45
00:02:50,050 --> 00:02:53,850
بعض في اخر محاضرة ال canary's neighbor طبعا لو انا

46
00:02:53,850 --> 00:02:57,880
سألت الآن سؤال و المفروض منك انت هيك تاخد لحظةجبل

47
00:02:57,880 --> 00:03:02,460
ما انت تجاوبني، على إيش كان الـk-nearest neighbor

48
00:03:02,460 --> 00:03:08,700
بيعتمد؟ المفروض الآن انت تبدأ تفكر في الإجابة الـk

49
00:03:08,700 --> 00:03:11,760
-nearest neighbor بيعتمد على تصنيف العناصر تبعا

50
00:03:11,760 --> 00:03:17,360
للنقاط المجاورة له وقولنا هذا هو عن واحد من

51
00:03:17,360 --> 00:03:20,530
الـinstance basedفاكرين معايا ايش هو؟ انا كنا

52
00:03:20,530 --> 00:03:23,850
بنتكلم ايش هو؟ Instance Based Instance Based يعني

53
00:03:23,850 --> 00:03:28,250
بيعتمد على ال data set بدون بناء model بيعتمد على

54
00:03:28,250 --> 00:03:33,050
ال data set بدون بناء ال models الموجودة وبالتالي

55
00:03:33,050 --> 00:03:38,230
مافيش عندي اي model ولا بيعتمد فقط على العمل في ال

56
00:03:38,230 --> 00:03:41,650
memory يعني بين ال جسيم ال computation وهذا بيديني

57
00:03:41,650 --> 00:03:46,580
دائماالـ Result تبعته بناءً على ال majority تبعت

58
00:03:46,580 --> 00:03:49,600
للجيران اللي موجود عينيه هان وقلنا بال K إنه أنا

59
00:03:49,600 --> 00:03:53,440
لازم أحدد عدل العناصر اللي موجودة عينيهان ومرينا

60
00:03:53,440 --> 00:03:57,600
بشكل سريع وقلنا كيف بحسب التشابه أو بحسب القرب أو

61
00:03:57,600 --> 00:04:00,680
البعد ما بين النقاط أو ال objects وقلنا بيعتمد على

62
00:04:00,680 --> 00:04:03,740
شغلة بنسميها similarity function و ال similarity

63
00:04:03,740 --> 00:04:06,620
function هي لما تكون عندي أرقام معناته أنا بتكلم

64
00:04:06,620 --> 00:04:09,180
على Euclidean distance أو Manhattan distance أو

65
00:04:09,180 --> 00:04:12,750
غيرها من الشغلات هي وشوفنا المعادلاتمع بعضنا

66
00:04:12,750 --> 00:04:17,110
وفرقنا بينهم وبين العناصر اللي موجودة ايش بيتطلب

67
00:04:17,110 --> 00:04:19,510
من ال kennery snippet حسب ما شرحنا المحاضرة

68
00:04:19,510 --> 00:04:23,610
الأخيرة كان بيتطلب مني ان احدد ال K و هي قولنا عدد

69
00:04:23,610 --> 00:04:26,910
الجيران اللي انا بدي اعمل بينهم voting يعني لو

70
00:04:26,910 --> 00:04:30,150
قولنا انا والله بدي اصنف الجار هذا او بدي اصنف ال

71
00:04:30,150 --> 00:04:32,330
object الجديدة بناء على العناصر اللي موجودة

72
00:04:32,330 --> 00:04:36,210
وبالتالي انا قاعد بقى اتكلم انه انا في عندى فعليا

73
00:04:37,240 --> 00:04:41,100
عشر جيران حسب أغلبيتهم الأغلبية طبعا بتكلم هنا على

74
00:04:41,100 --> 00:04:45,880
ستة الست إيش بتصنفه بروح بصنفهم تبع للست اللي

75
00:04:45,880 --> 00:04:50,720
موجودين عندى بدي أحدد ال distance method اللي بدي

76
00:04:50,720 --> 00:04:53,940
أستخدمها ك metric وبالتالي أنا بعد ما حددت ال K

77
00:04:53,940 --> 00:04:58,240
بحسب ال distance بين ال sample اللي موجودة عندى

78
00:04:58,240 --> 00:05:01,300
وكل ال data set اللي أو ال training set اللي

79
00:05:01,300 --> 00:05:04,580
موجودة عندى هنا ممكن اعتمد ال Euclidean او ال

80
00:05:04,580 --> 00:05:08,410
Manhattanبرتب البيانات وقولنا هذي موضوع الترتيب مش

81
00:05:08,410 --> 00:05:11,650
مهم إلا غير لما تكون ال data set كبيرة بصير عليه

82
00:05:11,650 --> 00:05:16,150
حصر عليه بسهل عليه أن أحصر العناصر الأقصر ال

83
00:05:16,150 --> 00:05:21,810
kenyerist مجموعة العناصر العشرة أصحاب أقصر مسافة

84
00:05:21,810 --> 00:05:25,130
ما بين ال sample الموجودين عندها بعمل بينهم voting

85
00:05:25,130 --> 00:05:28,300
بحيث أن احدد المجارتينوشوفنا ال example الموجود

86
00:05:28,300 --> 00:05:33,040
هنا وكيف اشتغلنا على ال Eclidean واذا بتتذكروا

87
00:05:33,040 --> 00:05:36,220
المفروض ان المعادلة تبعتنا هذه حسب ال Eclidean

88
00:05:36,220 --> 00:05:40,420
distance فيها الجدر التربيعي وطبعا لجماعة الخير

89
00:05:40,420 --> 00:05:43,440
لما احنا بنتكلم الجدر التربيعي والجدر التربيعي

90
00:05:43,440 --> 00:05:48,400
موجود في كل المعادلات انا من باب المقارنة ممكن انا

91
00:05:48,400 --> 00:05:54,050
استغني عنه لأنه الكبير تحت الجدرأو أكبر عنصر تحت

92
00:05:54,050 --> 00:05:58,490
الجذر هيظل أكبر عنصر خارج .. برا الجذر لما أنا ..

93
00:05:58,490 --> 00:06:03,670
يعني مثلا جذر ال 16، جذر ال 25، جذر ال 13، جذر

94
00:06:03,670 --> 00:06:06,850
التسعة، أصغر واحدة فيهم جذر التسعة، اللي هي تلاتة

95
00:06:08,510 --> 00:06:12,350
هو أكبر واحدة فيهم جذر الخمسة وعشرين خمسة كذلك

96
00:06:12,350 --> 00:06:15,570
الخمسة وعشرين هي أكبر value والتسعة هي أصغر value

97
00:06:15,570 --> 00:06:18,490
موجودة عندي وبالتالي كنت أنا بقول انه ممكن من

98
00:06:18,490 --> 00:06:21,550
ناحية calculation على السريع عشان أنا أخلص من

99
00:06:21,550 --> 00:06:26,930
المقارنات السريعة ممكن أستغني عن الجذر التربيعي

100
00:06:26,930 --> 00:06:32,470
وابقى ما زلت بتكلم على ال Eclidean distance وشوفنا

101
00:06:32,470 --> 00:06:36,150
مع بعض ال example وانتهينا من ال example هذا قلنا

102
00:06:36,150 --> 00:06:40,660
في حالةان والله كانت ال data set اللي موجودة عندي

103
00:06:40,660 --> 00:06:44,960
بتحتوي على nominal attributes او categorial

104
00:06:44,960 --> 00:06:48,300
attributes قلنا هان بيلزمني ان انا فعليا اشوف

105
00:06:48,300 --> 00:06:52,260
طريقة لان مابقدرش احسب مسافة ما بين عنصرين لو

106
00:06:52,260 --> 00:06:57,080
اجينا اقول انا والله مثلا انا male و female في ال

107
00:06:57,080 --> 00:07:02,760
gender attribute ال distance بينهم جداش مش هقدر

108
00:07:02,760 --> 00:07:08,840
اتكلم عليهم وبالتالي الآن لو اجينا اقول انا احمدو

109
00:07:08,840 --> 00:07:14,120
أحمد مع ال E اللي في الوسط هنا جدّيش ال distance

110
00:07:14,120 --> 00:07:17,120
بينهم طبعا إحنا متفقين إن الأسماء مابتدخلش في

111
00:07:17,120 --> 00:07:20,200
الحسبة اللي عندي لأنه دائما useless وبالتالي أنا

112
00:07:20,200 --> 00:07:23,900
خلال ال preparation بقى أشيلها لكن في الآخر لما

113
00:07:23,900 --> 00:07:26,580
بكون أنا في عندي string أو text أو زي ما سمناها

114
00:07:26,580 --> 00:07:29,520
لغة ال data mining categorical data أو nominal

115
00:07:29,520 --> 00:07:33,170
dataكيف بدي أحسبهم أو بدي أحسب المقارنة بينهم؟ هذا

116
00:07:33,170 --> 00:07:35,970
الكلام صعب في الـEuclidean distance و المنهاتين

117
00:07:35,970 --> 00:07:40,510
فلو في الكنياري سنيبر فبتصير أنا أشتغل هل فعليا ال

118
00:07:40,510 --> 00:07:43,730
term هدولة match إذا كانت ال two terms match

119
00:07:43,730 --> 00:07:47,050
معناته بحطلهم صفر إذا ال two terms مختلفات يعني

120
00:07:47,050 --> 00:07:50,590
أبعد ما يمكن عن بعض أو بعاد عن بعض بحط الفرق بينهم

121
00:07:50,590 --> 00:07:56,170
واحد وطبعا حكينا بعد هي كده عن مهمية ال scaling في

122
00:07:56,170 --> 00:08:01,120
موضوع الكنياري سنيبروقلنا من أهمه .. أهم ميزاته

123
00:08:01,120 --> 00:08:04,160
robustness باتجاه الـ noisy data و ال

124
00:08:04,160 --> 00:08:08,420
effectiveness في موضوع مرحلة ال training ال

125
00:08:08,420 --> 00:08:13,100
disadvantages تحديد ال K .. أي K هي الأكتر مناسبة

126
00:08:13,100 --> 00:08:17,740
للموضوع اللي أنا بأشغل عليه ال distanceمفهوم not

127
00:08:17,740 --> 00:08:20,380
clear خصوصا لما ظهرت عندي ال categorical data و

128
00:08:20,380 --> 00:08:23,940
هذه موجودة عندها ال computation cost عالية تخيل ال

129
00:08:23,940 --> 00:08:27,040
data set فيها مائة الف record وبالتالي لما انا بدي

130
00:08:27,040 --> 00:08:29,680
اعمل evaluation او عفوا بدي اعمل prediction ل

131
00:08:29,680 --> 00:08:34,520
class ل one example معناته بيدروح احسبمئة ألف

132
00:08:34,520 --> 00:08:38,180
distance طيب لو كانت في عندي في المقابل في عندي

133
00:08:38,180 --> 00:08:42,960
عشرة او مية بدي اعملهم testing مية في مائة ألف

134
00:08:42,960 --> 00:08:46,440
معناته احنا صارنا بتكلمها عشرة مليون تقريبا

135
00:08:46,440 --> 00:08:51,160
computation وبالتالي العملية شوية هتاخد مني وجهة

136
00:08:51,160 --> 00:08:55,540
طويلة الان لما شوفنا ال code أهم في ال code السادق

137
00:08:55,540 --> 00:09:00,890
اذا كنا بتتذكروا معانا بدي اعمل importأخذت من أسكي

138
00:09:00,890 --> 00:09:08,330
لير نيبرز أسكي لير نيبرز نيبرز أسكي لير نيبرز

139
00:09:08,330 --> 00:09:11,520
نيبرز نيبرزتبعت ال K nearest neighbor و اتديته ال

140
00:09:11,520 --> 00:09:15,420
K تبعتي equal خمسة و هنا نتذكر قلنا دائما ال X

141
00:09:15,420 --> 00:09:18,680
تبعتك او ال K تبعتك لازم تكون فيها لازم تكون large

142
00:09:18,680 --> 00:09:22,660
enough و تكون دائما تقدر تديني ال predictions او

143
00:09:22,660 --> 00:09:25,780
تعمل ال voting الصح لأنه مش معقول مثلا تكون في

144
00:09:25,780 --> 00:09:28,640
عندي two binary او two labels و اروح اقول والله

145
00:09:28,640 --> 00:09:32,510
بدي اخد مثلا اربعة او ستةستة يعني الاحتمال انه

146
00:09:32,510 --> 00:09:35,270
ممكن يكون خمسة خمسة على الاقل انا بحتاج اد في حالة

147
00:09:35,270 --> 00:09:38,510
ال binary classification عشان اقدر انه ال voting

148
00:09:38,510 --> 00:09:42,710
بينحاز لواحد من ال classes اللي موجودة عندهم و

149
00:09:42,710 --> 00:09:46,950
اتذكر تماما و اتذكروا جميعا انه انا هلأ لما اتكلمت

150
00:09:46,950 --> 00:09:50,050
على ال kenya restaurantneighbors و اديته ال test

151
00:09:50,050 --> 00:09:53,110
attribute test sample تبعتي اللي انا بنيتها هان و

152
00:09:53,110 --> 00:09:56,710
مع ال key تبعتي ال equal خمسة فعليا راح اداني من

153
00:09:56,710 --> 00:09:59,990
هم العناصر هدول و جداش ال distances اللي موجودة

154
00:09:59,990 --> 00:10:03,890
بينهم وضل علي انا ان ارجع على ال data set اجيب ال

155
00:10:03,890 --> 00:10:07,830
label تبعتي العناصر هدول و اعمل بينهم voting كان

156
00:10:07,830 --> 00:10:11,530
هذا .. لحد احنا نهينا محاضرتنا السادقة عند ال

157
00:10:11,530 --> 00:10:16,340
example هذا و بتمنىان يكون انجحت على عجالة ان

158
00:10:16,340 --> 00:10:22,180
اذكرك بعد انقطاع اسبوع من الدراسة بما سبق في موضوع

159
00:10:22,180 --> 00:10:26,760
ال classificationلكن تعالى نشوف قبل ما ننتقل

160
00:10:26,760 --> 00:10:29,320
للموضوع الجديد تعالى نشوف هذا المثال المفروض ان

161
00:10:29,320 --> 00:10:31,700
هذا المثال مش موجود معاكوا في ال slides فانت

162
00:10:31,700 --> 00:10:34,100
المفروض انت المفروض ال slides معاكوا و بتبدوا

163
00:10:34,100 --> 00:10:38,840
تراجعوا عليها باستمرار لو انا نظرتلك لل attributes

164
00:10:38,840 --> 00:10:42,800
او لل data set اللي موجودة عندهان وجاوب معايا او

165
00:10:42,800 --> 00:10:46,240
جاوبوا معايا على السؤال التالي ايش ال data type

166
00:10:46,240 --> 00:10:50,840
تبع ال outlook المفروض

167
00:10:50,840 --> 00:10:52,360
nominal صحيح

168
00:10:55,100 --> 00:11:00,320
الـ data type تبع ال temperature numeric

169
00:11:00,320 --> 00:11:03,800
وإن

170
00:11:03,800 --> 00:11:10,700
قلت انت ratio او ال interval كلامك صحيح ك interval

171
00:11:10,700 --> 00:11:15,300
مش ك ratio nominal nominal ال golf play أو play

172
00:11:15,300 --> 00:11:18,820
golf binary classification يعني عندي two labels

173
00:11:18,820 --> 00:11:23,160
yes و no حسب ال data set اللي موجودة عندي و

174
00:11:23,160 --> 00:11:29,460
المطلوب ان اناأروح أجيب ال class تبعت ال instance

175
00:11:29,460 --> 00:11:36,100
اللي فيها ال sunny وهذه طبعا في ال outlook ال

176
00:11:36,100 --> 00:11:39,800
temperature بعد

177
00:11:39,800 --> 00:11:44,440
هي كان ال humidity و ال windy

178
00:11:47,670 --> 00:11:51,910
الان مع الـ K equal واحد والـ K equal تلاتة والـ K

179
00:11:51,910 --> 00:11:56,670
equal خمسة طبعا ملاحظين بالمثال الآن في الأمثلة

180
00:11:56,670 --> 00:11:59,610
السابقة اللي اشتغلنا عليها كانت فقط عند الـ

181
00:11:59,610 --> 00:12:03,250
numeric data طب الآن لأ صار في عندي nominal وفي

182
00:12:03,250 --> 00:12:06,840
عندي numericطبعا ليش المثال هذا أنا تعمدت أجيبه

183
00:12:06,840 --> 00:12:09,840
اليوم تعمدت أجيبه عشان أقولك في الحالة اللي زي هذه

184
00:12:09,840 --> 00:12:13,520
أنا هتكون في عندي dominant attribute يعني في عندي

185
00:12:13,520 --> 00:12:17,800
attribute هو المسيطر هو اللي هياخد ال data set أو

186
00:12:17,800 --> 00:12:20,920
ال classification process بمنحاه يعني بينجو سين هو

187
00:12:20,920 --> 00:12:25,040
هيكون صاحب القرار تخيل خلينا نشتغل مع بعض من باب

188
00:12:25,040 --> 00:12:29,450
التسهيل نشتغل على موضوع المنهات in distanceحسب الـ

189
00:12:29,450 --> 00:12:31,610
Manhattan distance يعني انا بدي استخدم الـ

190
00:12:31,610 --> 00:12:34,170
absolute value هو بيقول في ال Manhattan ال

191
00:12:34,170 --> 00:12:44,510
summation لل X ناقص X واحد X اتنين و I اعفوا I

192
00:12:44,510 --> 00:12:50,490
واحد و I اتنين و I equal واحد مع كل ال attributes

193
00:12:50,490 --> 00:12:53,550
اللي موجودة عندها هذا في حالة ال numerical طب في

194
00:12:53,550 --> 00:12:58,760
حالة ال ..الـ nominal معناته انا بدي استخدم صفر في

195
00:12:58,760 --> 00:13:02,760
حالة التساوي الواحد في حالة الاختلاف وبالتالي

196
00:13:02,760 --> 00:13:07,080
بتصير المعادلة اللي عندي هان الان sunny و sunny

197
00:13:07,080 --> 00:13:17,740
الفرق بينهم zero زائد ال absolute value 45 ناقص 18

198
00:13:17,740 --> 00:13:27,830
زائد high و normal الاختلاف واحدزائد true و false

199
00:13:27,830 --> 00:13:32,330
اختلاف بينهم واحد معناته هي القيمة اللي موجودة

200
00:13:32,330 --> 00:13:39,150
عندى اللي بعدها sunny zero زائد تلاتة و أربعين

201
00:13:39,150 --> 00:13:46,890
ناقص تمانتعش زائد high واحدة مختلفة true zero و

202
00:13:46,890 --> 00:13:50,710
هكذا طبعا حنا بنتكلم احنا عندى هنا سبعة و عشرين

203
00:13:50,710 --> 00:13:54,290
سبعة و عشرين و اتنين هنا تسعة و عشرين هنا في عندى

204
00:14:20,610 --> 00:14:24,670
ملاحظين دائما ال attribute الخاص بال temperature

205
00:14:24,670 --> 00:14:25,050
هنا

206
00:14:27,900 --> 00:14:31,880
هيكون هو الـ dominant attribute لأنه فعليا المساء

207
00:14:31,880 --> 00:14:35,480
هو اللي بيقرر وزنه او ال scale تبعته ال weight

208
00:14:35,480 --> 00:14:38,800
تبعته في موضوع ال computation تبعتي بتفرق كبير

209
00:14:38,800 --> 00:14:43,960
كتير عن العناصر التانية او ال attributes التانية

210
00:14:43,960 --> 00:14:48,040
اللي موجودة طيب بدنا نكمل ال computation هنكمل ال

211
00:14:48,040 --> 00:14:51,420
computation هاي ال computation بالكامل موجودة الآن

212
00:14:51,420 --> 00:14:53,040
قدامي ممتاز

213
00:15:00,250 --> 00:15:02,470
طبعا مافيش مشكلة .. مش فارق .. احنا اتفقنا سابق ان

214
00:15:02,470 --> 00:15:05,530
جربنا بال inclusion جربنا بالمنهاتين وماكانش كتير

215
00:15:05,530 --> 00:15:09,010
الفرق ما بينهم ..الان تسعة و عشرين .. ستة و عشرين

216
00:15:09,010 --> 00:15:11,970
.. ستة و عشرين .. واحد و عشرين .. الى اخره .. بدي

217
00:15:11,970 --> 00:15:15,350
حسب ال Kenya nearest neighbor ..الان يا جماعة

218
00:15:15,350 --> 00:15:20,190
الخير بدك تنتبه لشغل مهم جدا .. بالمثال هذا واضح

219
00:15:20,190 --> 00:15:23,090
ان في عندي high distance اعطتني اتنين

220
00:15:26,920 --> 00:15:31,440
تنين وهي كمان واحدة تنين لما أنا بدي أعمل sorting

221
00:15:31,440 --> 00:15:34,600
تبع لل distance حسب الخطوة السابقة اللي حكينا فيها

222
00:15:34,600 --> 00:15:38,860
أول واحدة لإنه هذه .. لما يقولوا sort لل data set

223
00:15:38,860 --> 00:15:44,660
تبع لل distance اللي صارت التنين هذه هتظهر أول

224
00:15:44,660 --> 00:15:49,780
واحدة ليش؟ لأنه الآن لما بتتساوى القيم بصير ظهور

225
00:15:49,780 --> 00:15:52,800
تبع ال value هو الأول هو اللي بياخد في الترتيب

226
00:15:53,670 --> 00:15:56,810
الظهور تبع ال values هي اللي بتاخد في الترتيب

227
00:15:56,810 --> 00:16:00,570
وبالتالي هذي هتكون أول واحدة فوق الآن لو انا و ال

228
00:16:00,570 --> 00:16:03,390
key and nearest neighbor equal one ايش ال key

229
00:16:03,390 --> 00:16:09,510
تبعتي او ال label تبعتي true وبالتالي هتكون عندي

230
00:16:09,510 --> 00:16:15,170
yes طيب في حالة ان ال key تبعتي equal تلاتة تلاتة

231
00:16:15,170 --> 00:16:20,210
هي واحدة تنتين تلاتة معناته هي واحدة هي تنتين هي

232
00:16:20,210 --> 00:16:26,420
تلاتةالـ majority بينهم تنتين yes و واحدة no يعني

233
00:16:26,420 --> 00:16:33,080
بنتكلم على 66% yes و 33% no وبالتالي ال majority

234
00:16:33,080 --> 00:16:39,420
تبعتي ل playing golf equal yes تمام الخطوة الأخيرة

235
00:16:39,420 --> 00:16:44,540
لو أنا قلتله K equal خمسة K equal خمسة معناته بده

236
00:16:44,540 --> 00:16:51,320
يدور على ال shortest distances أي واحدة تنتينهذه

237
00:16:51,320 --> 00:17:00,640
تلاتة وهذه أربعة وهذه خمسة ال label سبعتهم واحدة

238
00:17:00,640 --> 00:17:07,980
تنتين تلاتة أربعة وهذه خمسةالآن بدي أعمل voting ما

239
00:17:07,980 --> 00:17:11,080
بين الخمسة اللي موجودة عندي واحدة، اتنين، تلاتة،

240
00:17:11,080 --> 00:17:14,960
أربعة yes تمانين في المية yes وعشرين في المية no

241
00:17:14,960 --> 00:17:19,480
وبالتالي لما تكون ال key تبعتي equal five معناته

242
00:17:19,480 --> 00:17:22,400
برضه ال golf تبعتي أو ال playing golf يعني فرصة

243
00:17:22,400 --> 00:17:25,580
أني ألعب ال golf في الظروف المناخية اللي موجودة في

244
00:17:25,580 --> 00:17:27,920
ال data set اللي موجودة عندي فوجها اللي أشارناها

245
00:17:27,920 --> 00:17:30,480
yes تمام

246
00:17:32,780 --> 00:17:38,280
طيب سؤال ونفرض تقدروا تجاوبه عليه بما انه هذا ال

247
00:17:38,280 --> 00:17:41,400
attribute هو ال dominant attribute يعني هو صاحب

248
00:17:41,400 --> 00:17:45,500
القرار في موضوع ال classification درجة الحرارة في

249
00:17:45,500 --> 00:17:49,120
حين انت لو انت تخيلنا ان لو كان الجو ماطر ممكن

250
00:17:49,120 --> 00:17:54,140
يأثر في لعبة ال golf ولا مش هيأثر؟ بتعرفوش ايش

251
00:17:54,140 --> 00:17:58,710
يعني لعبة golf؟ممكن تشوفوا اليوتيوب how to play

252
00:17:58,710 --> 00:18:01,770
golf وبيعلموكوا إياه و تتفرجوا عليها في الآخر هي

253
00:18:01,770 --> 00:18:06,370
رياضة بالعصب و بيضربوا الكورة عشان يسقطها في حفرة

254
00:18:06,370 --> 00:18:10,750
الآن بما أن هذا ال dominant attribute ايش الحلول

255
00:18:10,750 --> 00:18:15,690
اللي قدامي؟ وهل لو أنا غيرت ممكن احصل على

256
00:18:15,690 --> 00:18:20,590
different result؟ اه ممكن اول حل موجود قدامي تماما

257
00:18:20,590 --> 00:18:27,330
زي ما بتبادر لذهنك الآن ان اعمل scalingصحيح ممكن

258
00:18:27,330 --> 00:18:31,710
انا اعمل scaling لو صارت هذه اربعة و نص اربعة و

259
00:18:31,710 --> 00:18:36,110
تلاتة من عشرة اربعة point واحد تلاتة point ستة

260
00:18:36,110 --> 00:18:40,770
واحد point تمانية واحد point سبعة اتنين point zero

261
00:18:40,770 --> 00:18:45,410
تلاتة point تلاتة واحد point ستة تلاتة point اتنين

262
00:18:45,410 --> 00:18:49,850
اتنين point تلاتة اتنين point اربعة اربعة point

263
00:18:49,850 --> 00:18:54,730
zero تلاتة point اتنين و طبيعتي الحال هتصير واحد

264
00:18:54,730 --> 00:18:55,070
point

265
00:18:57,730 --> 00:19:00,870
8 ايش اللي صار عندى بعد ال scaling طبعا اعمل ال

266
00:19:00,870 --> 00:19:04,870
ratio جسمتها على عشرة او ضربت في عشر او سالب واحد

267
00:19:04,870 --> 00:19:10,170
شو بتتوقع تصير ال distance هتقل بين جثين هتصير فيه

268
00:19:10,170 --> 00:19:16,310
عندى انا اربعة و نص ناقص واحد و تمانيةاللي هي بين

269
00:19:16,310 --> 00:19:21,510
جثين 2.9 لاحظوا أن 2.9 صارت قريبة من القيم اللي

270
00:19:21,510 --> 00:19:25,970
موجودة وإذا كمان روحت دربت في عشر أو سالب 2 ممكن

271
00:19:25,970 --> 00:19:32,650
أقلل ال weight تبعته بتصير ال value balance تفكير

272
00:19:32,650 --> 00:19:38,110
منطقي لكن هل فعليا يقودني للنتيجة أفضل بده تجربة

273
00:19:38,110 --> 00:19:42,650
وعشان بناء على هيك اعتبرها assignment لك واتقارنه

274
00:19:42,650 --> 00:19:48,580
ما بينفي حالة كانت ال ratio اعملت ratio data تمام

275
00:19:48,580 --> 00:19:55,220
او اشتغلت على ال numeric data اللي موجودة حل

276
00:19:55,220 --> 00:20:00,960
التاني هل في حلول تانية اه في حلول تانية استحثوا

277
00:20:00,960 --> 00:20:05,440
ادمغاتكوا هوش الشغلات اللي كنا بنسويها مع ال data

278
00:20:05,440 --> 00:20:08,820
الموجودة جماعة الخير انا بتكلم على درجة الحرارة

279
00:20:08,820 --> 00:20:14,970
درجة الحرارة شو يعني عادة لما بنقول درجة الجولو

280
00:20:14,970 --> 00:20:18,010
سألك كيف الجو اليوم يا فلان أو يا فلانة والله الجو

281
00:20:18,010 --> 00:20:23,150
حار شوب كتير بارد ماحدش بيقوللي عشرين و تلاتة أو

282
00:20:23,150 --> 00:20:26,510
اربعين وكذا فبالتالي ممكن لو انا .. بالضبط لو انا

283
00:20:26,510 --> 00:20:31,030
حولتها ل categorial ممكن تفرج معايا طيب هاي حولتها

284
00:20:31,030 --> 00:20:38,650
ل categorial شو يعني categorial؟ ان

285
00:20:38,650 --> 00:20:41,390
انا حطيتها لفئات تبقى على ال data set اللي موجودة

286
00:20:41,390 --> 00:20:48,970
عندىعشان بس تكونوا في الصورة من عشرين أقل أو تساوي

287
00:20:48,970 --> 00:20:55,650
عشرين استخدمنا cool أكبر

288
00:20:55,650 --> 00:21:03,330
من عشرين وأقل أو تساوي أربعين استخدم أقل من أربعين

289
00:21:03,330 --> 00:21:10,770
عفوا استخدمنا mild وفوق الأكبر أو تساوي الأربعين

290
00:21:13,100 --> 00:21:18,600
روحنا استخدمنا ال hot اتذكروا

291
00:21:18,600 --> 00:21:23,120
ان كانت عندي hand تمانتاش درجة الحرارة في ال test

292
00:21:23,120 --> 00:21:26,820
sample اللي موجودة عندي hand الآن وبالتالي لما انا

293
00:21:26,820 --> 00:21:30,820
بداجي افحص درجة الحرارة اللي موجودة خمسة و أربعين

294
00:21:30,820 --> 00:21:35,940
hot تلاتة و أربعين hot واحدة و أربعين hot ستة و

295
00:21:35,940 --> 00:21:41,060
تلاتين mild cool cool cool mild cool

296
00:21:45,290 --> 00:21:52,930
Mild Mild Hot Mild تمام؟

297
00:21:52,930 --> 00:21:55,950
هذه ال data set و بينما هذه ال 18 هتكون عندي cool

298
00:21:55,950 --> 00:21:59,790
الآن صارت كل ال data عندي categorical و بانجو سين

299
00:21:59,790 --> 00:22:04,310
صارت كل ال attributes اللي عند نفس ال weight شو

300
00:22:04,310 --> 00:22:10,430
ضال علي أحسب ال distanceطيب انا هسكت دقيقة هعمل

301
00:22:10,430 --> 00:22:15,270
pause دقيقة اتركلك مجال اجيش الحسبة تبعتي استخدم

302
00:22:15,270 --> 00:22:19,050
Manhattan ولا استخدم ال Euclidean distance لحساب

303
00:22:19,050 --> 00:22:22,690
ال similarity ما بين العناصر اللي موجودة عندنا

304
00:22:28,290 --> 00:22:32,770
طيب ..الان بما ان كل ال data categorial معناته صفر

305
00:22:32,770 --> 00:22:35,830
و واحد هتصير المعادلة تبعتي و خلينا مش فارق كتير

306
00:22:35,830 --> 00:22:39,530
معايا من هاتن او اكلوديا مش فارق كتير في الآخر انا

307
00:22:39,530 --> 00:22:45,570
بدي اجمع أصفار و واحدات sunny و sunny zero زائد

308
00:22:45,570 --> 00:22:51,390
hot و cool واحد انه اتفقنا في حالة التشابه صفر في

309
00:22:51,390 --> 00:22:58,750
حالة الاختلاف واحدزائد normal و high واحد زائد

310
00:22:58,750 --> 00:23:03,690
false و true واحد وبالتالي هذه القيمة تلاتةالـ

311
00:23:03,690 --> 00:23:09,170
attribute اللي بعدها sunny 0 زائد hot واحد زائد

312
00:23:09,170 --> 00:23:13,950
واحد زائد صفر وهذا يساوي اتنين و لاحظ لاحظ كل ال

313
00:23:13,950 --> 00:23:17,030
values تبعتي بالدور حوالين ال range اللي موجود

314
00:23:17,030 --> 00:23:21,410
عندي هان اما بين الأربعة والصفر هذه القيم اللي

315
00:23:21,410 --> 00:23:25,070
موجودة عندي هان طبعا انا مجهز هان عشان مانجضيش

316
00:23:25,070 --> 00:23:29,190
الوقت في الحساب هذه

317
00:23:29,190 --> 00:23:30,510
ال computation بالكامل

318
00:23:35,230 --> 00:23:47,810
تمام؟ shortest distance مع ال k equal واحد اتنين

319
00:23:47,810 --> 00:23:54,590
اول اتنين هي .. لأ في عندي واحد هيها ال

320
00:23:54,590 --> 00:24:03,970
label تبعتها no وال label هيختلفت عن السابقةفي

321
00:24:03,970 --> 00:24:07,210
المثال السابق كانت لما الـK تبعتي equal واحد كان

322
00:24:07,210 --> 00:24:12,990
بيقوللي ألعب تمام؟ وبالتالي لما أنا اشتغلت هاين

323
00:24:12,990 --> 00:24:18,450
بيقوللي no هيها ليش محدش يقوللي لأن؟ ليش يا دكتور

324
00:24:18,450 --> 00:24:21,470
مش هذه ال yes هي اللي كانت؟ لأن عندي ال sorting

325
00:24:21,470 --> 00:24:24,990
هذا ال attribute أو عفوًا هذا الروح هياخد المرتبة

326
00:24:24,990 --> 00:24:29,550
الأولى يعني بينجو سي لما انت بتجي ترتب خلينا نتكلم

327
00:24:29,550 --> 00:24:33,110
بال bubble sortشو مفهوم ال bubble sort؟ بضلني

328
00:24:33,110 --> 00:24:36,590
أقارن العنصر لما بلاقي أصغر عنصر مابدأياش أساوي

329
00:24:36,590 --> 00:24:41,210
فيه أحركه للأعلى بضلني أقارن العنصر مع عناصر

330
00:24:41,210 --> 00:24:44,370
الجابلة لحد ما بلاقي أصغر عنصر بصير أرفعه بهيك أنا

331
00:24:44,370 --> 00:24:50,430
بأضمن بدور على ال minimum value بروح بحطها فوق

332
00:24:50,430 --> 00:24:54,330
بدور على ال minimum و بعملها shift وهكذا وبالتالي

333
00:24:55,510 --> 00:24:59,750
هذه هي أول واحدة ستحصل عليها انت مش مصدق؟ خد ال

334
00:24:59,750 --> 00:25:06,270
data set هذه على ال Excel و اعمل لها sort تبعا لل

335
00:25:06,270 --> 00:25:09,350
distance و ستجد ان ال attribute هذه ستكون أول

336
00:25:09,350 --> 00:25:15,430
attribute موجود عندك تمام؟ لو ال K equal 3 هاي

337
00:25:15,430 --> 00:25:22,000
واحد وهي واحدو هاي واحد انا عندي اربعة فهاخد اول

338
00:25:22,000 --> 00:25:27,040
تلاتة واحد اتنين تلاتة ال majority تبعتهم yes

339
00:25:27,040 --> 00:25:32,960
وبالتالي هتكون yes لو قلتله خمسة هضيف الواحد هذه

340
00:25:32,960 --> 00:25:37,740
معاهم كمان و هتيجي وراهم الاتنين هذه الآن تعالى

341
00:25:37,740 --> 00:25:39,260
نشوف ال label اللي صارت عندي هنا

342
00:25:42,540 --> 00:25:49,660
صار في عندى 1 2 3 60% yes و 40% no وبالتالي لما

343
00:25:49,660 --> 00:25:52,980
تكون الخمسة ال K تبعتي equal خمسة معناته المجلة

344
00:25:52,980 --> 00:25:58,180
تبعتي بتقول yes ملاحظين معايا تأثير فعليا ال

345
00:25:58,180 --> 00:26:01,770
processing على ال data set جداش مهم جداش مهمبتمنى

346
00:26:01,770 --> 00:26:05,610
ان تكون هذه الموضوع اصبح اليوم يعني من بدهيات

347
00:26:05,610 --> 00:26:11,210
لديكم ومن ثم انه احنا فعليا اصبحت غطينا كل جوانب

348
00:26:11,210 --> 00:26:14,370
الـk nearest neighbor ان شاء الله تبارك وتعالى

349
00:26:14,370 --> 00:26:19,510
تمام الآن هنتقل ان شاء الله تبارك وتعالى لل

350
00:26:19,510 --> 00:26:23,690
algorithm التاني لل algorithm التاني اللي هو بيبني

351
00:26:23,690 --> 00:26:28,390
شبه model تمام وبيعتمد على ال probabilisticالـ

352
00:26:28,390 --> 00:26:32,050
classification هيعتمد على نظرية الاحتمالات في ال

353
00:26:32,050 --> 00:26:36,750
classification و فهمها اللي

354
00:26:36,750 --> 00:26:41,690
هو ال naive Bayesian algorithm او ال bias يعني

355
00:26:41,690 --> 00:26:45,790
classification وبالتحديد ال naive bias classifier

356
00:26:45,790 --> 00:26:50,390
طيب

357
00:26:50,390 --> 00:26:56,640
الان احنا اتفقنا .. اتفقنا سابقاإن الكنيري سنابر

358
00:26:56,640 --> 00:27:02,340
هو عبارة عن instance based model مصبوط يعني بيعتمد

359
00:27:02,340 --> 00:27:06,420
دائما في كل مرة مع كل sample بروح بعمل حسبة لل

360
00:27:06,420 --> 00:27:09,440
distance من ال sample الأولى في ال training set لل

361
00:27:09,440 --> 00:27:13,220
sample الأخيرة تمام وبدور على ال data set اللي

362
00:27:13,220 --> 00:27:19,760
موجودة عندها في ال bison شوية الأمور مختلفة ال

363
00:27:19,760 --> 00:27:24,970
bison modelأو الـ Naive bias هو عبارة عن very fast

364
00:27:24,970 --> 00:27:29,910
model وsimple classification في نفس الوقت مناسب

365
00:27:29,910 --> 00:27:33,450
جدا مع ال high dimensional data set اللي موجودة

366
00:27:33,450 --> 00:27:38,330
عندي لأنه

367
00:27:38,330 --> 00:27:41,250
فعليا مافيش فيه براميتر لو كانت فيه برامتر موجودة

368
00:27:41,250 --> 00:27:44,730
مافيش فيه برامتر كتير أعتمد عليها العناصر أو الـ

369
00:27:44,730 --> 00:27:49,690
Naive bias بشكل عام بيعتمد على ال probabilisticو

370
00:27:49,690 --> 00:27:54,410
بوصف العلاقة ما بين العناصر او ال attributes و ال

371
00:27:54,410 --> 00:27:59,790
label بناء على احتمالات خلّينا نيجي نقول اذكركوا

372
00:27:59,790 --> 00:28:03,090
بس بالاحتمالات اللي موجودة عندى هان لو كان انا في

373
00:28:03,090 --> 00:28:11,870
عندى صندوق بيحتوي على عشر sample 6

374
00:28:11,870 --> 00:28:17,410
plus و 4 minus

375
00:28:25,310 --> 00:28:32,810
الان بلاش plus خلينا نحق عمود بالشكل هذا لحاجة في

376
00:28:32,810 --> 00:28:39,670
بالي يعني الان وجيت قلتلك قداش احتمال انه يطلع

377
00:28:39,670 --> 00:28:42,770
معايا plus عشان بس نذكرك بالاحتمالات

378
00:28:45,650 --> 00:28:49,910
6 على 10 صحيح ال probability تبعت ال plus 6 على 10

379
00:28:49,910 --> 00:28:56,810
و ال probability طبعا

380
00:28:56,810 --> 00:29:02,310
عشرة هي حجم ال space اللي انا population اللي انا

381
00:29:02,310 --> 00:29:10,010
بقى اشتغل عليها طبعا هذه 4 على 10 الآن

382
00:29:10,010 --> 00:29:16,670
في عند مصطلحات زي ال most likelyالـ prior الـ

383
00:29:16,670 --> 00:29:20,530
posterior الـ probability إلى آخرها الـ posterior

384
00:29:20,530 --> 00:29:23,130
السابق الـ most likely اللي هي الأغلب الظن أو

385
00:29:23,130 --> 00:29:26,870
الغلبة العناصر الموجودة أو الأكثر احتمالا و كل هذه

386
00:29:26,870 --> 00:29:30,210
الحسبة تباعتي بناء على ال probabilities احنا

387
00:29:30,210 --> 00:29:33,770
متفقين الآن .. احنا متفقين الآن ان انا هي ال

388
00:29:33,770 --> 00:29:36,130
probability تباعتي لكن لو انا جيت و قلتلك مش بس

389
00:29:36,130 --> 00:29:41,670
على ال final shape و بدخل معاها ال color و روحت و

390
00:29:41,670 --> 00:29:43,670
قلتلك في عندي ال dash هذه

391
00:29:49,240 --> 00:30:00,200
شو هتساوي؟ عليش هتصنفها؟ plus ولا column؟ مش هتقدر

392
00:30:00,200 --> 00:30:05,940
تصنفها ليش؟ لإن هذه لا هي column ولا هي جاية plus

393
00:30:06,640 --> 00:30:10,880
طيب إذا أنا قلتلك اللون جزء من حسبك شوبك تساوي

394
00:30:10,880 --> 00:30:15,320
معناته هتختلف معايا الحسبة تماما و هصير ابني انا

395
00:30:15,320 --> 00:30:20,140
اخد علاقة الشكل مع ال label و علاقة اللون مع ال

396
00:30:20,140 --> 00:30:22,920
label و بناء انا على ال probability ال probability

397
00:30:22,920 --> 00:30:28,320
تبعت الأحمر 6 على 11أو .. اه عفوا ال probability

398
00:30:28,320 --> 00:30:32,400
بتاعة الأحمر 6 على 10 و ال probability تبعت الأسود

399
00:30:32,400 --> 00:30:36,380
4 على 10 و كذلك في كل واحدة منهم وبالتالي الحسبة

400
00:30:36,380 --> 00:30:40,660
تبعتي هتصير بناء على العنصر اللي موجود عندى هاني

401
00:30:40,660 --> 00:30:45,340
ال naive bias نايف من اسمه جامعة الخير ان هو سهل

402
00:30:45,340 --> 00:30:52,260
او trivial ليش انه مبني على trivial assumption ان

403
00:30:52,260 --> 00:30:57,790
ال generative model هذاتمام؟ بده يشتغل على الموضوع

404
00:30:57,790 --> 00:31:02,410
ال classification وبيفترض انه في عندي ان ال data

405
00:31:02,410 --> 00:31:07,550
فيها normal distribution وبناء على هيكاد وفي عندي

406
00:31:07,550 --> 00:31:10,910
independent attributes وبالتالي انا مافيش عندي

407
00:31:10,910 --> 00:31:14,870
مشكلة في موضوع العناصر يعني naive assumption ان كل

408
00:31:14,870 --> 00:31:17,430
ال data اللي عندي هي عبارة عن independent

409
00:31:17,430 --> 00:31:21,590
attributes ومن ثم انا قاعد بأتكلم انه في عندي

410
00:31:22,500 --> 00:31:28,520
normal distribution لل data اللي موجودة عندها طيب

411
00:31:28,520 --> 00:31:31,520
عشان نحاول نسهل و نوصل للمعادلة اللي انا هشتغل

412
00:31:31,520 --> 00:31:37,780
عليها هروح اشتغل على حسبة ال probability الان هذا

413
00:31:37,780 --> 00:31:41,560
ال probability وفي

414
00:31:41,560 --> 00:31:46,240
عند اللون حسبة اللون خلينا

415
00:31:46,240 --> 00:31:51,410
نغير بس شغلة سريعة هيكأجي أهان على المثال هذا أجي

416
00:31:51,410 --> 00:31:57,290
أقول في عندي plus سودة هيصار مازال عشرة وصار في

417
00:31:57,290 --> 00:32:04,610
عندي عمود أحمر معناته أن الأن ال probability تبعت

418
00:32:04,610 --> 00:32:11,050
ال plus صحيح واحد اتنين تلاتة أربعة خمسة ستة ستة

419
00:32:11,050 --> 00:32:16,510
على عشرة بنفس المنطق و ال probability تبعت العمود

420
00:32:17,590 --> 00:32:24,710
تساوي اربع على عشرة هذا الشكل مصبوط هذا ال final

421
00:32:24,710 --> 00:32:29,350
هذا ال label طب ال color ال probability تبعت ال

422
00:32:29,350 --> 00:32:36,970
red واحد اتنين تلاتة اربع خمسة ستة ستة على عشرة و

423
00:32:36,970 --> 00:32:44,970
ال probability تبعت ال black تساوي اربع على عشرة

424
00:32:45,630 --> 00:32:50,510
لاحظين ان هاي ال label تبعتي و هاي ال color تبعتي

425
00:32:50,510 --> 00:32:53,410
بما انه صار في عندي color و صار في عندي label

426
00:32:53,410 --> 00:32:57,710
معناته انا ال label هاد ال posterior معروفة مسبقا

427
00:32:57,710 --> 00:33:01,880
يعني من العناصر المعطائليو انا بتروح ادور على ال

428
00:33:01,880 --> 00:33:05,600
most likelihood او ال most likely property على

429
00:33:05,600 --> 00:33:09,900
الاكتر الظن لوين هتكون وبالتالي هدور على شغل

430
00:33:09,900 --> 00:33:13,600
بسميها انا يا جماعة الخير conditional properties

431
00:33:19,820 --> 00:33:23,800
الـ class و الـ feature قدّاش علاقة ال class مع ال

432
00:33:23,800 --> 00:33:27,680
feature هاي عشان نفهمها بشكل صحيح خلّينا نفترض ..

433
00:33:27,680 --> 00:33:32,860
نفترض ان انا في عندى instance X فيها مجموعة ال

434
00:33:32,860 --> 00:33:40,740
attribute من X1 ل Xn وفي عندى M classes M من ال

435
00:33:40,740 --> 00:33:46,520
classالـ conditional probability تبعت لـ class CI

436
00:33:46,520 --> 00:33:49,860
على ال X على ال instance هاي يعني بين قوسين ان ال

437
00:33:49,860 --> 00:33:53,960
instance هي تحتوي لل class اللي موجود عندهان تساوي

438
00:33:53,960 --> 00:33:58,360
ال probability لل class مضروبة في ال probability

439
00:33:58,360 --> 00:34:02,260
لل instance في ال classes على ال probability لل

440
00:34:02,260 --> 00:34:07,000
instance نفسها احتمال ظهور ال instance طيب انا

441
00:34:07,000 --> 00:34:12,010
فعليا ال instance اللي موجودة عندهانقدش احتمالها

442
00:34:12,010 --> 00:34:15,410
تكون ظهورها؟ الأصل تكون صفر ليش الأصل تكون صفر؟

443
00:34:15,410 --> 00:34:18,370
لأن هي instance جديدة مش بالضرورة موجودة في ال

444
00:34:18,370 --> 00:34:21,990
data set مسبقاً وبالتالي أنا .. هذه مدعاة أني أخلص

445
00:34:21,990 --> 00:34:29,110
عليها أو أخلص منها عفواً بس الآن خلّيني أقول هنا C

446
00:34:29,110 --> 00:34:34,430
of X ال class ل X يساوي ال maximum probability

447
00:34:34,430 --> 00:34:39,660
لمين؟الـ B لـ Probability ل ال class يعني بينجو

448
00:34:39,660 --> 00:34:42,580
سيم يجي و يقول لي والله ال instance الفلانية اللي

449
00:34:42,580 --> 00:34:49,080
هي ال dash هذه ال class طبعتها ال class طبعت ال

450
00:34:49,080 --> 00:34:52,440
dash هذه تساوي ال probability ال maximum

451
00:34:52,440 --> 00:34:56,260
probability يعني بدي أخد أعلى probability لمين؟ ل

452
00:34:56,260 --> 00:34:59,080
ال classes أنا في عندي two classes يعني بدي أحسب

453
00:34:59,080 --> 00:35:02,360
two probabilities ال probability ل ال class أنها

454
00:35:02,360 --> 00:35:08,530
تكون زائد أو تكون عمودتمام؟ فمضروبة انه جديش

455
00:35:08,530 --> 00:35:12,310
احتمال عناصر .. مجموع العناصر اللي موجودة عندي هان

456
00:35:12,310 --> 00:35:17,150
مع ال class اللي عندي و بما انه عملية مقارنة زي ما

457
00:35:17,150 --> 00:35:20,890
خلصت سابقا من الجدر التربيعي ممكن اخلص الآن من

458
00:35:20,890 --> 00:35:25,250
المقام لان مابدي اجسم على ثابت فممكن انا اخلص منه

459
00:35:25,250 --> 00:35:29,890
وبالتالي انا بصجر المسألة تبعتي لل argument X

460
00:35:29,890 --> 00:35:33,390
تعالى نشوف العناصر ايش المقصود فيها بشكل سريع

461
00:35:34,040 --> 00:35:40,160
المعادلة السابقة اللي احنا ظهرت عندنا هنا ال

462
00:35:40,160 --> 00:35:44,900
posterior probability اللي هيقولنا posterior سابقا

463
00:35:44,900 --> 00:35:49,400
ال class على ال conditional probability تبعت ال

464
00:35:49,400 --> 00:35:52,930
class وال attributes اللي موجودة عندي هناالـ

465
00:35:52,930 --> 00:35:57,510
Probability لـ X على ال class الـ likelihood اللي

466
00:35:57,510 --> 00:36:01,650
هي فعليا الاحتمال اللي أنا بدور عليه وهو عبارة عن

467
00:36:01,650 --> 00:36:05,850
summation سنشوفها قليلا الان Probability تبع ال

468
00:36:05,850 --> 00:36:10,710
class نفسه ال prior اللي موجود عندي هناو ال X ال

469
00:36:10,710 --> 00:36:15,170
predictor ال probability اللي انا فعليا بدي اشوفها

470
00:36:15,170 --> 00:36:18,370
تعالى نشوفه عشان نفهم الكلام هذا و المعادلة من

471
00:36:18,370 --> 00:36:21,130
ناحية حساب لإن شوية الأمور لو بدت تبقى في

472
00:36:21,130 --> 00:36:27,150
المعادلات الرياضية هت غم الأمور علينا لأن احنا في

473
00:36:27,150 --> 00:36:31,250
جماعة هنا على غرار الناس اللي كانت بدت تلعب golf

474
00:36:31,250 --> 00:36:34,870
قررت تروح على البحر على الشطالان هل بدهم يروحوا

475
00:36:34,870 --> 00:36:37,390
على الشاطئ ولا ميروحوش؟ والله قالوا في عندنا تلت

476
00:36:37,390 --> 00:36:42,870
عوامل أساسية الطقس المظهر مشمس و لا ممطر و لا غائم

477
00:36:42,870 --> 00:36:47,850
درجة الحرارة و ال humidity اللي هي الرقوبة نفس

478
00:36:47,850 --> 00:36:50,790
المثال السابق لكن غيرنا ال label من playing golf ل

479
00:36:50,790 --> 00:36:53,310
beach

480
00:36:54,570 --> 00:36:58,550
الان مطلوب مني اشتغل كالتالي بدي اعمل جدول بسيط

481
00:36:58,550 --> 00:37:02,290
الجدول مثل هذا الجدول هلاقيت هنشتغل معاكم بكل

482
00:37:02,290 --> 00:37:06,970
بساطة ايش بده يساوي انا بدي اعمل prediction ل data

483
00:37:06,970 --> 00:37:12,390
set بناء على probability انا الان هاد ال data set

484
00:37:12,390 --> 00:37:15,990
او ال training set تبعتي جاهزة و ثابتة الان اللي

485
00:37:15,990 --> 00:37:21,470
هروح اسويه هروح احسب علاقة ال X ال outlook مع ال

486
00:37:21,470 --> 00:37:25,600
labelالـ Probability تبعتها مع الـ .. مع الـ sunny

487
00:37:25,600 --> 00:37:29,300
ال .. ال Probability تبعتها .. عفواً ال Outlook

488
00:37:29,300 --> 00:37:31,980
فيها كام value different value، three values sunny

489
00:37:31,980 --> 00:37:36,920
و rainy و cloudy علاقة ال sunny مع ال yes و مع ال

490
00:37:36,920 --> 00:37:41,020
no علاقة ال rainy مع ال yes و مع ال no علاقة ال

491
00:37:41,020 --> 00:37:44,400
cloudy مع ال yes مع ال no و أفصل في الجدول اللي

492
00:37:44,400 --> 00:37:50,000
موجود عندى يعني بدك تيجي لكل attribute بشكل مستقل

493
00:37:50,000 --> 00:37:55,380
هذا الجدولحاجة اقول والله انا بدي اتكلم على ال

494
00:37:55,380 --> 00:38:01,380
outlook طبعا جابلي جماعة الخير لو انا سألتك لان ال

495
00:38:01,380 --> 00:38:05,840
going لل beach لل yes و ال no زي ما حسبنا هان ال

496
00:38:05,840 --> 00:38:09,140
probability لل yes جد ايش تساوي ال data 6 فيها

497
00:38:09,140 --> 00:38:15,620
عشرة عندهان واحدة اتين تلاتة اربعة yes اربعة على

498
00:38:15,620 --> 00:38:20,340
عشرة ال probability لل no ستة على عشرة بكل تأكيد

499
00:38:20,340 --> 00:38:27,530
بدون ما اروح اضطر اعدال yes مظبوطة ال outlook ال

500
00:38:27,530 --> 00:38:34,230
outlook الآن فيها three different values في

501
00:38:34,230 --> 00:38:38,830
عندي ال sunny في

502
00:38:38,830 --> 00:38:49,690
عندي الريني و في عندي ال cloudy ممتاز طيب و أنا في

503
00:38:49,690 --> 00:38:54,950
عندي فعليا في ال labels في عندي ال yesو في عندى

504
00:38:54,950 --> 00:39:02,450
الـ No ال beach صح؟

505
00:39:02,450 --> 00:39:05,810
الان

506
00:39:05,810 --> 00:39:10,130
كام واحدة sunny عندى انا واحدة تنتين تلاتة اربعة

507
00:39:10,130 --> 00:39:16,170
ممتاز علاقة الاربع ال sunny هدول المفروض يكونوا

508
00:39:16,170 --> 00:39:22,350
مجسمات على ال yes و ال no ال yes جديشأربعة طيب

509
00:39:22,350 --> 00:39:26,890
الآن بدي أقول sunny و yes يعني أنا بدي أجسم على

510
00:39:26,890 --> 00:39:32,470
أربعة يا جماعة الخير و أنه ستة مصبوط لأن ال over

511
00:39:32,470 --> 00:39:36,030
all probability تبعت ال yes ظهور ال yes فقط أربع

512
00:39:36,030 --> 00:39:40,290
عناصر أربع مرات و ظهور ال no ست مرات إذا كانت ال

513
00:39:40,290 --> 00:39:43,170
yes مرتبطة بال classes هاي فعشان أنا أحسب ال

514
00:39:43,170 --> 00:39:48,650
probability تبعت ال yes و ال sunny ال sunny هاي

515
00:39:48,650 --> 00:39:49,670
مرة yes

516
00:39:55,170 --> 00:40:00,990
تنتين تلاتة أصبت؟ ليش هذه لأ؟ لأن هذه جال ال label

517
00:40:00,990 --> 00:40:03,550
تبعتها no هاي خلصنا الأربعة ال sunny اللي موجودة

518
00:40:03,550 --> 00:40:06,410
عندها يعني بينجوستين ال sunny ال probability

519
00:40:06,410 --> 00:40:15,970
تبعتها تلاتة على أربعة زائد جداش جداش واحد على ستة

520
00:40:17,560 --> 00:40:20,760
خلاص انت مافيش داعي انك انت عايش تنظر لباقي

521
00:40:20,760 --> 00:40:23,600
العناصر مجموع ال sun اللي فوق على العناصر اللي

522
00:40:23,600 --> 00:40:29,940
موجودة عندي هان ال rainy الان جدش حسبة ال yes ما

523
00:40:29,940 --> 00:40:34,440
زالت أربعة و النقل ستة rainy بدي أشغل عليها نفس

524
00:40:34,440 --> 00:40:42,160
الكلام rainy واحدة تنتين تلاتة في عندي تلاتة rainy

525
00:40:42,160 --> 00:40:49,180
والتلاتة جايات كلهمنفس ال class معناته zero على

526
00:40:49,180 --> 00:40:57,220
أربعة زائد تلاتة على ستة و هلجت بيقولك طريقة كيف

527
00:40:57,220 --> 00:41:00,200
تتأكد من حيث تفتكر ان كل ال probability بتبعتك صح

528
00:41:00,200 --> 00:41:06,140
cloudy الآن برضه نفس الكلام على أربعة على ستة

529
00:41:06,140 --> 00:41:12,100
cloudy فيها واحدة مع ال yes و هم تلاتة و تنتين مع

530
00:41:15,120 --> 00:41:20,080
الستة الان لو عديت العناصر تبعت ال yes تلاتة على

531
00:41:20,080 --> 00:41:24,520
أربعة زائد صفر على أربعة زائد واحد على أربعة تطلع

532
00:41:24,520 --> 00:41:31,420
أربعة على أربعة لو عديت عناصر انه واحد على ستة

533
00:41:31,420 --> 00:41:34,820
زائد تلاتة على ستة زائد تانين على ستة تطلع ستة على

534
00:41:34,820 --> 00:41:38,740
ستة وهي فعليا ال probability لازم مجموع الاحتمالات

535
00:41:38,740 --> 00:41:43,600
كلها تكون عندى واحد ممتاز هذا بالنسبة لل attribute

536
00:41:43,600 --> 00:41:44,180
الأول

537
00:41:46,970 --> 00:41:49,970
و بدي أروح أحسبها لل attribute التاني بنفس الكيفية

538
00:41:49,970 --> 00:41:55,530
temperature

539
00:41:55,530 --> 00:41:59,870
temperature كان فيه .. كان value عندي عندي three

540
00:41:59,870 --> 00:42:04,410
values high و low و mild ال low نبدأ مع ال low هاي

541
00:42:04,410 --> 00:42:11,250
واحدة هاي تنتين اتنين بدهم يتوزعوا على ال yes و ال

542
00:42:11,250 --> 00:42:17,570
no الآن صفرno و no معناته صفر على أربعة و اتنين

543
00:42:17,570 --> 00:42:23,870
على ستة مع ال no طيب خلصنا من ال من ال low ال mild

544
00:42:23,870 --> 00:42:32,710
ال mild هي واحدة تنتين تلاتة تلاتة عناصر التلاتة

545
00:42:32,710 --> 00:42:36,560
عناصر هدول يتوزعوا ما بين ال yes و ال noهي الـ

546
00:42:36,560 --> 00:42:40,700
mild الأولى yes الـ mild التانية no والـ mild

547
00:42:40,700 --> 00:42:45,900
الأخيرة no معناته الآن هم هيكونوا 1 على 4 مع ال

548
00:42:45,900 --> 00:42:52,580
yes اللي هي الأولى هاي و 2 على 6 في حالة ال no و

549
00:42:52,580 --> 00:42:58,320
بكمل الجدول لكل العناصر اللي موجودة عندي هان ال

550
00:42:58,320 --> 00:43:00,580
probability تبعت ال beach ممكن أحط لإيه أنا كتبت

551
00:43:00,580 --> 00:43:05,790
هان قبل شوية ممكن أحطها في نهاية الجدولعشان انا

552
00:43:05,790 --> 00:43:09,790
اشغل على العناصر اللي موجودة عندي فعليا 6 على 10

553
00:43:09,790 --> 00:43:15,230
.. ار ..الان 4 على 10 المفروض

554
00:43:15,230 --> 00:43:19,550
في كل واحدة من هدول ما هيلاحظ 4 على 10 .. 4 على 10

555
00:43:19,550 --> 00:43:24,980
.. 4 على 10ليش أربع؟ لأنه فعلاً أربع على ال yes و

556
00:43:24,980 --> 00:43:28,220
هدول لازم يكون مجموحهم أربع في كل attribute و هدول

557
00:43:28,220 --> 00:43:31,260
مجموحهم لازم يكون ستة و في المحصلة ستة على عشر

558
00:43:31,260 --> 00:43:36,140
ممتاز الآن لاحظوا هذه ال computation كم مرة هعملها

559
00:43:36,140 --> 00:43:43,120
لمرة واحدة على نفس ال data set هعملها لمرة واحدة

560
00:43:43,120 --> 00:43:46,180
فقط و هتظل ال data .. و لما ال data set ماصارش

561
00:43:46,180 --> 00:43:51,030
عليها تغيير هتظلها هذه موجودة عندىإيش اللي حيصير

562
00:43:51,030 --> 00:43:55,810
لاحقا عشان اطبق المعادلة السابقة هذه هشغل كالتالي

563
00:43:55,810 --> 00:44:01,030
بيجي بقول بالله شوف اللي إيش ال label تبعت ال

564
00:44:01,030 --> 00:44:06,810
sunny و ال mild و ال high إيش ال label تبعت ال

565
00:44:06,810 --> 00:44:12,130
sunny sunny

566
00:44:12,130 --> 00:44:17,450
و mild و

567
00:44:17,450 --> 00:44:18,850
high درجة الحرارة

568
00:44:21,880 --> 00:44:27,460
عشان بدي ارجع معاكم للجدول السابق تم ذكرك في

569
00:44:27,460 --> 00:44:34,380
المعادلة المعادلة بتقول الارج ماكس لا لل CI اللي

570
00:44:34,380 --> 00:44:37,000
هي ال class ال probability لل CI مضروبة في ال

571
00:44:37,000 --> 00:44:44,120
probability لا ال X على ال CI طيب هلأ قد بنفسرلك

572
00:44:44,120 --> 00:44:47,920
إياها أوضح و بنفسرك إياها أوضح مع الأرقام نرجع هنا

573
00:44:47,920 --> 00:44:54,580
ال probability لل classهو قاعد بيقوللي بدور على ال

574
00:44:54,580 --> 00:44:58,480
argmax بدور على ال maximum probability لكل classes

575
00:44:58,480 --> 00:45:02,740
كام class انا عندي؟ عندي two classes يعني بين جثين

576
00:45:02,740 --> 00:45:05,600
الجامعة الخير هو عمال بيسألني بيسألني ال

577
00:45:05,600 --> 00:45:10,800
probability تبعت ال element اللي موجود عندها على

578
00:45:10,800 --> 00:45:14,520
انه يكون ال class و ال instance اللي اعطاني اياها

579
00:45:17,240 --> 00:45:19,840
مش قولنا هذه اللي أنا بدور عليها قاعد؟ هاي ال

580
00:45:19,840 --> 00:45:23,160
value هو بدي تجيبلي ال probability تبعت ال class

581
00:45:23,160 --> 00:45:27,760
مع ال given instance اللي موجودة عندي هنا طيب،

582
00:45:27,760 --> 00:45:31,080
الآن حسب ال data set معناته أنا بدي أروح أشتغل

583
00:45:31,080 --> 00:45:36,960
كتالي مرة مع ال yes و مرة مع انه هذا الكلام بيقول

584
00:45:36,960 --> 00:45:42,480
ايه؟ ال probability مع ال yes ال label مع مين؟ مع

585
00:45:42,480 --> 00:45:51,040
ال given data set ال sunnyو mild و high ايش ال

586
00:45:51,040 --> 00:45:56,340
probability تبعت high اولا بقول لهذه تساوي ال

587
00:45:56,340 --> 00:46:02,260
probability تبعت ال yes مضروبة

588
00:46:02,260 --> 00:46:09,520
في ال probability تبعت مين تبعت ال instance اللى

589
00:46:09,520 --> 00:46:14,590
موجودة عندى هنا اي instanceطب ال instance تبعتي

590
00:46:14,590 --> 00:46:20,510
مكونة من ال outlook و ال temperature و ال humidity

591
00:46:20,510 --> 00:46:25,390
مصبوط؟ كمان مرة ال instance تبعتي هان اللي هي ال X

592
00:46:25,390 --> 00:46:33,830
هذه اللي أنا الآن هيها مكونة من ال outlook و ال

593
00:46:33,830 --> 00:46:39,000
temperature و ال humidityوبدي اروح بقوللي علاقة كل

594
00:46:39,000 --> 00:46:41,580
ال values اللي موجودة عندهم بال class مين بال

595
00:46:41,580 --> 00:46:47,740
class yes يعني بين جثين هي عبارة عن ال probability

596
00:46:47,740 --> 00:46:53,700
لل

597
00:46:53,700 --> 00:47:01,840
S لل sunny ال outlook equal

598
00:47:01,840 --> 00:47:04,980
sunny مع ال yes

599
00:47:08,130 --> 00:47:15,570
مضروبة في ال attribute التانية ال probability تبعت

600
00:47:15,570 --> 00:47:26,130
ال temperature على ال yes هاي ال sunny او

601
00:47:26,130 --> 00:47:34,470
الآن mild هاي ال mild ال temperature تبعتي high

602
00:47:37,170 --> 00:47:44,970
هي ال high بكل بساطة بقول ليه تلاتة على اربعة او

603
00:47:44,970 --> 00:47:47,530
عفوا من الاول اربعة على عشرة تبع ال yes ال

604
00:47:47,530 --> 00:47:50,050
probability اللي موجودة عندى هان اربعة على عشرة

605
00:47:50,050 --> 00:47:57,970
مضروبة في تلاتة على اربعة مضروبة في اتنين واعفوا

606
00:47:57,970 --> 00:48:04,640
واحد على اربعة في اتنين على اربعةوبهك بكون انا بدي

607
00:48:04,640 --> 00:48:13,800
اعيد الحسبة تبعت لمين لكل العناصر الموجودة يعني ال

608
00:48:13,800 --> 00:48:17,720
probability لل yes طبعا انا فصلتلكوا ياها عشان

609
00:48:17,720 --> 00:48:21,540
ماتنسوهاش لانوا لاحظوا ان هي عبارة عن عملية ضرب

610
00:48:21,540 --> 00:48:26,320
هادي ل probability تبعت

611
00:48:26,320 --> 00:48:33,860
ال X على Ci على class تساوي ل probabilityلمن؟ لل

612
00:48:33,860 --> 00:48:42,700
values x i على .. هي بنجسيل ال product لل x i على

613
00:48:42,700 --> 00:48:50,080
ال class اللي موجود عندها x j و ال j equal 1 to n

614
00:48:50,080 --> 00:48:57,240
بعدد ال attributes اللي موجودة عندها الآن ال

615
00:48:57,240 --> 00:49:03,280
probability لل yes حسبناها 4 ع العشرة هي ..الـ

616
00:49:03,280 --> 00:49:08,200
sunny مع ال yes كانت 3 على 4 حسب الجدول السابق ال

617
00:49:08,200 --> 00:49:13,880
mild مع ال yes 1 على 4 ال high مع ال yes طبعا زي

618
00:49:13,880 --> 00:49:18,860
ما قلتلك هذه بتمثل ال outlook ال sunny ال

619
00:49:18,860 --> 00:49:21,400
temperature و ال humidity اللي هي ال attributes

620
00:49:21,400 --> 00:49:25,000
اللي موجودة عندها مع ال yes و فحسبناها فكانت

621
00:49:25,000 --> 00:49:32,820
الدانيال value high اللي هي 375 من عشرة ألفممتاز

622
00:49:32,820 --> 00:49:37,800
هدي ال probability لمن؟ لل yes يعني بين جوسين انه

623
00:49:37,800 --> 00:49:43,920
احتمال انه تكون هادي ال instance انه نروح في

624
00:49:43,920 --> 00:49:48,180
الظروف هادية على الشاطئ هي احتماليتها حسب ال data

625
00:49:48,180 --> 00:49:51,900
set اللي موجودة عندها طب لو احتمال اننا مانروحش

626
00:49:51,900 --> 00:49:54,660
احنا لسه مااخدناش قرار فالان بما انه class تاني

627
00:49:54,660 --> 00:49:58,180
فهروح احسب نفس الحسبة السابقة بس مع مين يا جماعة

628
00:49:58,180 --> 00:50:10,280
الخير مع النومsunny و ال mild و ال high ممتاز

629
00:50:10,280 --> 00:50:16,760
تساوي probability of no حسبناها اذا كانت هذه اربع

630
00:50:16,760 --> 00:50:20,500
على عشر فالتاني هتكون ستة على عشر اللي هم فعلا

631
00:50:20,500 --> 00:50:24,460
مجسمين مضروبة في ال probability تبعت ال sunny على

632
00:50:24,460 --> 00:50:29,120
ال no مضروبة في ال probability تبعت ال mild تبعت

633
00:50:29,120 --> 00:50:33,040
ال temperatureفي الـ No مضروبة في ال probability

634
00:50:33,040 --> 00:50:38,160
تبع ال humidity اللي هي المفروض عندي high على no و

635
00:50:38,160 --> 00:50:54,060
هكذا وبالتالي الحسبة تبعتي هتكون بالشكل هذا الان

636
00:50:54,060 --> 00:50:59,390
القانون بيقولليفي ال classification في ال

637
00:50:59,390 --> 00:51:03,730
classification هتشتغل على ال instance اللي موجودة

638
00:51:03,730 --> 00:51:09,750
عندنا وهي هتشتغل على ال maximum probability ال

639
00:51:09,750 --> 00:51:13,570
احتمال الاكبر الان عندك رقمين بغض النظر جداش

640
00:51:13,570 --> 00:51:15,930
الرقمين يا جماعة الخير اللي طلعوا مين اكبر من

641
00:51:15,930 --> 00:51:21,850
التاني مية و احد عشرة على عشرة الف ولا تلاتمية

642
00:51:21,850 --> 00:51:25,860
خمسة و سبعين على عشرة الف اكيدالـ maximum value

643
00:51:25,860 --> 00:51:30,700
تبعتي هيها هان معناته ال most likely تبع ال

644
00:51:30,700 --> 00:51:36,160
existence اللي موجودة عندي هان عبارة عنyes غالبا

645
00:51:36,160 --> 00:51:41,820
لو كان الظرف sunny مشرق او مشمس والدرجة الحرارة

646
00:51:41,820 --> 00:51:46,800
متوسطة والرقوبة عالية غالبا هروح على البحر بناء او

647
00:51:46,800 --> 00:51:50,720
على الشاطئ بناء على ال data set الاحتمالات انتبه

648
00:51:50,720 --> 00:51:55,860
معايا او انتبه معايا كمان مرة الجدول هذا الجدول

649
00:51:55,860 --> 00:52:01,100
هذا هيظل قائم عندى هيظل قائم عندى قول ما ال data

650
00:52:01,100 --> 00:52:08,940
set هيلم تتغيركم مرة بحسبه؟ لمرة واحدة وكأنه

651
00:52:08,940 --> 00:52:13,020
model وكأنه model بس مش model حساب أصبحت الآن

652
00:52:13,020 --> 00:52:16,060
العملية عملية إيش؟ computation لكن ال computation

653
00:52:16,060 --> 00:52:20,660
مش مع كل ال data set يعني الآن تخيلوا لو روحت أنا

654
00:52:20,660 --> 00:52:23,680
غيرت في ال instance .. في ال instance high بعد

655
00:52:23,680 --> 00:52:27,900
إذنكم وروحت قولت والله إنه أنا بدي أروح أبدل بدال

656
00:52:27,900 --> 00:52:28,960
high high low

657
00:52:33,280 --> 00:52:37,200
بدل ال high low ايش اللي هتفرق معايا؟ هرجع للجدول

658
00:52:37,200 --> 00:52:42,780
اللي هو الجدول تبعي هذا وحاجة

659
00:52:42,780 --> 00:52:52,120
أشتغل كتالي طبعا

660
00:52:52,120 --> 00:53:01,180
عشان بس أظل نتذكر ال sunny و

661
00:53:01,180 --> 00:53:06,830
mildو low هذه ال instances اللي موجودة عندي و أنا

662
00:53:06,830 --> 00:53:11,410
بدي أضطر أرجع للجدول الآن بكل بساطة الحسبة السابقة

663
00:53:11,410 --> 00:53:18,450
تبعتي هتكون كالتالي ال probability لل yes على ال

664
00:53:18,450 --> 00:53:22,670
sunny مش حد كل الكلمات و ال m ال s و ال m و ال low

665
00:53:22,670 --> 00:53:29,690
تساوي ال probability لل yes مضروبة في ال

666
00:53:29,690 --> 00:53:34,950
probability ل ال sunny على ال yesهي المفروض فيها

667
00:53:34,950 --> 00:53:41,710
الـ Outlook equals sunny يا جماعة الخير اللي

668
00:53:41,710 --> 00:53:44,330
هي ال attribute الأول خلاص هي احنا هنعتمدها بالشكل

669
00:53:44,330 --> 00:53:50,330
هذا على ال yes مضروبة في ال probability لل mild

670
00:53:50,330 --> 00:53:54,070
اللي هي ال attribute التاني على ال yes مضروبة في

671
00:53:54,070 --> 00:53:56,830
ال probability لل attribute التالت اللي هي ال low

672
00:53:56,830 --> 00:54:00,730
على ال yes بنجو سينيج هي عمود ال yes كل شغل على

673
00:54:00,730 --> 00:54:07,740
الكيون على العمود هذا sunny هي ال valuemy هي ال

674
00:54:07,740 --> 00:54:17,800
value و normal هي هيها

675
00:54:17,800 --> 00:54:22,160
normal normal

676
00:54:22,160 --> 00:54:28,680
بس عشان ال example يكون تمام بال normal هيها الان

677
00:54:28,680 --> 00:54:38,860
بكل بساطة أربعة على عشرة ضرب المحوطات3 على 4 ضرب 1

678
00:54:38,860 --> 00:54:45,460
على 4 ضرب 2 على 4 وإذا أنا بدي أطلع ال calculator

679
00:54:45,460 --> 00:54:50,980
على السريع عشان أشوف حسبة هل في فعليا تأثير لل

680
00:54:50,980 --> 00:54:52,140
element هذا أو لأ

681
00:54:56,850 --> 00:55:04,090
قولنا أربعة على عشرة ضرب تلاتة على أربعة ضرب واحد

682
00:55:04,090 --> 00:55:13,790
على أربعة ضرب طفت ال calculator أربعة

683
00:55:13,790 --> 00:55:24,110
تقسيم عشرة ضرب تلاتة تقسيم أربعة ضرب واحد تقسيم

684
00:55:24,110 --> 00:55:24,750
أربعة

685
00:55:27,550 --> 00:55:34,890
درب اتنين تقسيم اربعة anyway

686
00:55:34,890 --> 00:55:41,550
ال calculator خذلتنا في الآخر ال probability لانه

687
00:55:41,550 --> 00:55:45,750
بدي اعمل ال probability لانه لنفس ال instance M N

688
00:55:45,750 --> 00:55:49,070
هتكون

689
00:55:49,070 --> 00:55:53,810
ال probability لانه مضروبة

690
00:56:14,390 --> 00:56:17,910
القيم المقابلة لهم اللي عمال يحوقهم باللون الأزرق

691
00:56:20,470 --> 00:56:23,350
بالاضافة للقيمة الأخيرة ما تنسوهاش طبعا هاي اللي

692
00:56:23,350 --> 00:56:27,190
هي في الأول ال probability لانه كلها هتصير في

693
00:56:27,190 --> 00:56:37,470
عندها 6 على 10 مضروبة في 1 على 6 مضروبة في 2 على 6

694
00:56:37,470 --> 00:56:46,630
مضروبة في 2 على 6 طبعا لو احنا فعليا36 المقام هنا

695
00:56:46,630 --> 00:56:51,010
أكبر من هنا فغالبا اللي بالتباعتي هتكون yes و ال

696
00:56:51,010 --> 00:56:56,290
computation هي اللي بتحكم الموضوع بتمنى تكون الأن

697
00:56:56,290 --> 00:57:00,010
أصبحت الصورة بالنسبة لنا واضحة كيف النييف بايسان

698
00:57:00,010 --> 00:57:04,410
بيشتغل الفكرة انه ابني الجدول اذا انت بنيت او انت

699
00:57:04,410 --> 00:57:08,690
بنيت الجدول صح معناته انا مافيش عندى مشكلة طيب في

700
00:57:08,690 --> 00:57:11,010
حالة هذه مثال تاني على السريع

701
00:57:14,970 --> 00:57:19,530
بغض النظر احنا مش هنطول عليكم ان شاء الله تعالى و

702
00:57:19,530 --> 00:57:22,550
بنفترض انكوا هتكونوا متابعين معانا و بيكونوا كأنه

703
00:57:22,550 --> 00:57:28,790
في فرصة تشتغلوا وزيادة الان هاي ال data set كام

704
00:57:28,790 --> 00:57:31,470
attribute؟ تلاتة على نفس الغرار ال attribute

705
00:57:31,470 --> 00:57:34,210
السابق السابق اللي لها دخل في الموضوع؟ لأ هذا رقم

706
00:57:34,210 --> 00:57:37,270
العينة او رقم ال sample ال class تبعتي binary

707
00:57:37,270 --> 00:57:41,210
class مافرجتش كتير يا جماعة الخير بدي ابني الجدول

708
00:57:41,210 --> 00:57:44,030
السابق بالكامل

709
00:57:46,870 --> 00:57:52,690
هو بيقولوا بدوا منى ل class مصبوط ال attribute a1

710
00:57:52,690 --> 00:57:59,670
ايش ال attribute a1 فيه values طبعا هنا في عندى

711
00:57:59,670 --> 00:58:05,130
yes واحد او صفر واحد في ال attribute الاول كام

712
00:58:05,130 --> 00:58:08,250
value في عندى صفر واحد اتنين يعني في عندى three

713
00:58:08,250 --> 00:58:12,850
values صفر واحد اتنين انا بكتبه من مرتبات افضل

714
00:58:12,850 --> 00:58:14,830
اليه ال attribute التانى

715
00:58:17,880 --> 00:58:20,240
مع ال labels اللي موجودة ايش في عندي برضه values

716
00:58:20,240 --> 00:58:29,700
012 برضه ماعندي مشكلة 012 ال attribute التالت اللي

717
00:58:29,700 --> 00:58:33,800
انا هشتغل عليه فقط

718
00:58:33,800 --> 00:58:43,000
قيمتين 112 وهنا في الآخر ال probability لل classال

719
00:58:43,000 --> 00:58:45,880
probability لل class تبعتي جدش ال probability ..

720
00:58:45,880 --> 00:58:50,900
كام class فيه؟ عندى three classes عفوا مصبوط ال ..

721
00:58:50,900 --> 00:59:01,360
واحد اتنين تلاتة هاتوا هل بدنا كمان اعمود ال class

722
00:59:01,360 --> 00:59:06,540
اللى موجود عندى هان واحد

723
00:59:06,540 --> 00:59:09,400
اتنين تلاتة

724
00:59:11,920 --> 00:59:17,300
أي تلاتة ال

725
00:59:17,300 --> 00:59:23,540
class الأول واحد واحد اتنين تلاتة اربعة اربعة على

726
00:59:23,540 --> 00:59:31,500
عشرة ال class التاني اتنين واحد اتنين تلاتة تلاتة

727
00:59:31,500 --> 00:59:36,100
على عشرة وهدت الأخير تلاتة على عشرة مجموحهم عشرة

728
00:59:36,100 --> 00:59:41,890
على عشرةبدي أجي العلاقة العناصر مع ال class الأول

729
00:59:41,890 --> 00:59:48,170
اللي موجود عندي هنا صفر و واحد هاي صفر هاي صفر

730
00:59:48,170 --> 00:59:52,410
تنتين مع

731
00:59:52,410 --> 00:59:59,230
الواحد أربعة ال

732
00:59:59,230 --> 01:00:04,910
class واحد معناته اتنين على أربعة وحتما ..حتما

733
01:00:04,910 --> 01:00:11,020
الصفر مع ال class التانيصفر على عشرة .. صفر على

734
01:00:11,020 --> 01:00:18,160
جداش الاتنين على تلاتة وهنا صفر على تلاتة ليش؟ لأن

735
01:00:18,160 --> 01:00:21,020
هون فعليا الصفرها دي بينت مرتين فقط مع ال

736
01:00:21,020 --> 01:00:24,240
attribute الأول وبالتالي أنا هنا بشغل في ال

737
01:00:24,240 --> 01:00:28,560
attribute الأول ال value التانية الواحد الواحد هي

738
01:00:28,560 --> 01:00:37,560
في المربع واحد واحد واحد واحد اربع عناصربرضه هتكون

739
01:00:37,560 --> 01:00:41,220
عندها القيمة على أربعة يا جماعة الخير ماتنساش وهذه

740
01:00:41,220 --> 01:00:46,760
هتكون على تلاتة وهذه هتكون على تلاتة الان واحد و

741
01:00:46,760 --> 01:00:55,800
واحد هي .. okay وهي كمان واحد ممتاز يعني اتنين على

742
01:00:55,800 --> 01:00:59,880
أربعة اتنين

743
01:00:59,880 --> 01:01:07,100
على أربعة هذه واحدة وهذه اتنين طيبجدّش الواحد على

744
01:01:07,100 --> 01:01:14,440
تلاتة واحد و تلاتة هيها مات واحد على تلاتة وجدّش

745
01:01:14,440 --> 01:01:20,220
مع الواحد والتنين هيها ال probability تبعتها ضال

746
01:01:20,220 --> 01:01:25,140
عند ال value الأخيرة الموجودة

747
01:01:25,140 --> 01:01:31,320
عندى لمين؟ للتنين هي التنين هي التنين هي التنين في

748
01:01:31,320 --> 01:01:34,060
عندى أربع قيم الأربع قيم منهم

749
01:01:37,600 --> 01:01:41,080
ولا واحدة مع ال attribute أو مع ال class الأول صفر

750
01:01:41,080 --> 01:01:44,640
على أربعة و لو انت جمعت فعليا هان اتنين على أربعة

751
01:01:44,640 --> 01:01:50,720
او اتنين على أربعة لازم يطلع معاك أربعة على أربعة

752
01:01:50,720 --> 01:01:54,040
لأن هما ال maximum أربعة عفوا ان هان اتنين على

753
01:01:54,040 --> 01:02:00,060
أربعة الان مع الواحد و لا مافيش شي مع التنين هي

754
01:02:00,060 --> 01:02:04,880
واحدة هي تنتين وبالتالي هان

755
01:02:11,280 --> 01:02:16,080
هذه اتنين على تلاتة وهذه اتنين على تلاتة لو جمعت

756
01:02:16,080 --> 01:02:18,420
العناصر اللي موجودة عندي هان و العناصر اللي عندي

757
01:02:18,420 --> 01:02:21,660
هان لازم تاخد تلاتة و واحد صحيح وهذه تاخد واحد

758
01:02:21,660 --> 01:02:27,000
صحيح كملية الجدول نفس الصورة السابقة هكون الجدول

759
01:02:27,000 --> 01:02:32,980
هيه عندى بالتمام و مجرد ان انا اعمل الجدول هذا

760
01:02:32,980 --> 01:02:39,420
بيسهل علي جدا ان احسبالعناصر خليني على السريع بس

761
01:02:39,420 --> 01:02:45,260
احط المثال الأخير لو انا افترضت ان انا عندي واحد

762
01:02:45,260 --> 01:02:52,620
واحد واتنين ماعرفش انا كتبت بشكل random هل فعليا

763
01:02:52,620 --> 01:02:57,380
هذه ايش الاحتمال تبعتها انها تظهر عندى او ايش ال

764
01:02:57,380 --> 01:03:02,560
class تبعتها اللى توجد عندها هذه مع ال class الاول

765
01:03:02,560 --> 01:03:04,160
بدي احسبها

766
01:03:09,260 --> 01:03:16,820
و بدي أحسبها مع ال class التاني و بدي أحسبها مع ال

767
01:03:16,820 --> 01:03:26,560
class التالت طيب مع ال class الأول واحد وين ال

768
01:03:26,560 --> 01:03:31,440
واحد هيها يا جماعة الخير ال attribute التاني برضه

769
01:03:31,440 --> 01:03:36,460
واحد ال attribute التالت كانت اتنين هيها معناته

770
01:03:36,460 --> 01:03:40,240
انا بدي اخد الاحتمال تبع ال rowللـ class الأول

771
01:03:40,240 --> 01:03:49,580
معناته أنا بدي أضرب القيم اللي عليها تحتها

772
01:03:49,580 --> 01:03:55,160
الخط هذه في بعضها ال probability تبعتي الواحد

773
01:03:55,160 --> 01:03:59,160
أربعة على عشرة مضروبة في ال probability واحد على

774
01:03:59,160 --> 01:04:03,440
واحد اللي هي attribute A1 equal واحد على واحد

775
01:04:03,440 --> 01:04:10,760
مضروبة في ال probability A1A2 equal 1 على 1 مضروبة

776
01:04:10,760 --> 01:04:15,000
في ال probability ال

777
01:04:15,000 --> 01:04:18,280
probability للواحد as class مضروبة في ال

778
01:04:18,280 --> 01:04:23,440
probability لل A1 equal 1 على 1 مضروبة في ال

779
01:04:23,440 --> 01:04:29,860
probability لل A2 equal 1 على 1 مضروبة في ال

780
01:04:29,860 --> 01:04:36,420
probability تبعت ال A3 equal2 على الواحد اللي هي

781
01:04:36,420 --> 01:04:39,640
القيم اللي انا حددتها هيها هذا بجيبها لل class

782
01:04:39,640 --> 01:04:42,320
الأول بجيبها لل class التاني بجيبها لل class

783
01:04:42,320 --> 01:04:47,160
التالت و من ثم هاي

784
01:04:47,160 --> 01:04:52,300
الحسبة اللي موجودة عندي الآن بدور على ال maximum

785
01:04:52,300 --> 01:05:00,970
عندي 25 من ألف أربعة وأربعين250 من عشرة ألاف و 444

786
01:05:00,970 --> 01:05:05,150
من عشرة ألاف و 111 من عشرة ألاف ال most

787
01:05:05,150 --> 01:05:10,610
probability تبعتي و ال maximum probability أربعة

788
01:05:10,610 --> 01:05:14,050
من مية أكيد أكبر من اتنين من مية و أكبر من واحد من

789
01:05:14,050 --> 01:05:18,850
مية وبالتالي أغلب الظن ان هذه ال instance هتتصنف

790
01:05:18,850 --> 01:05:23,750
مع ال class التاني مع ال class التاني لكن أنا

791
01:05:23,750 --> 01:05:30,560
انتبهت لشغلة و أنا بقى أشتغل في الحسبةو هي ان ال

792
01:05:30,560 --> 01:05:38,820
instances اللي أنا كتبتها موجودة بس

793
01:05:38,820 --> 01:05:43,670
ايش ال class تبعتها؟تلاتة يعني صار في عندي

794
01:05:43,670 --> 01:05:47,170
misclassification هل هذه مسئوليتي؟ لا مش مسئوليتي

795
01:05:47,170 --> 01:05:52,310
انا اشتغلت عليها لان اخضعتها لاحتمالات تمام و هذه

796
01:05:52,310 --> 01:05:55,770
وزنها كان واحدة من العناصر اللي موجودة لكن ال node

797
01:05:55,770 --> 01:05:58,170
تبعتي هذه حسب الاحتمالات او حسب ال naive bison

798
01:05:58,170 --> 01:06:03,950
بتطلع لمين؟ مع العنصر ال class two اللي موجود

799
01:06:03,950 --> 01:06:09,130
عندهاالأن زي ما قلنا الـ Naive Bison ختاما للكلام

800
01:06:09,130 --> 01:06:11,950
اللي احنا اشتغلناه طبعا جامعة الخير في انكو data

801
01:06:11,950 --> 01:06:15,210
set موجودة سابقا في ال examples السابقات جربوا

802
01:06:15,210 --> 01:06:18,050
عليها Naive Bison ما تستناش ما تقوليش ملون بدي

803
01:06:18,050 --> 01:06:20,270
اسئلة في عندك ال data set اللي موجود في ال slides

804
01:06:20,270 --> 01:06:23,960
و اللي انا اشتغلت عليها سابقاكـClassifier في عنده

805
01:06:23,960 --> 01:06:25,960
strict assumptions زي ما قلنا about ال data اللي

806
01:06:25,960 --> 01:06:28,400
هو ال independent attributes و ال normal

807
01:06:28,400 --> 01:06:32,920
distribution تبع ال data اللي موجودة وهذا بيخليه

808
01:06:32,920 --> 01:06:35,920
fast .. very fast أو extremely fast في ال training

809
01:06:35,920 --> 01:06:38,060
و في ال prediction في ال training لأنه بيبني

810
01:06:38,060 --> 01:06:41,020
الجدول مرة واحدة و في ال prediction مفيش .. يعني

811
01:06:41,020 --> 01:06:43,540
ال competition تبعت قليلة straightforward

812
01:06:43,540 --> 01:06:47,900
probabilistic prediction بيعتمد على ال

813
01:06:47,900 --> 01:06:52,640
probabilities تماما على الاحتمالاتسهل جدا اني افسر

814
01:06:52,640 --> 01:06:58,620
ليش طلع هيك مش بحاجة ان اعمل tuning لاني parameter

815
01:06:58,620 --> 01:07:06,120
لان فعليا انا ماشوفتش اي حاجة بيطلب مني بما

816
01:07:06,120 --> 01:07:12,360
انه في عندي strict and

817
01:07:12,360 --> 01:07:17,040
complicated

818
01:07:17,040 --> 01:07:22,370
modelفعليا الـ Naive Bison زي ما حنا شوفنا في

819
01:07:22,370 --> 01:07:30,490
حسبته سهل نعم لكنه مش سهل ان اطبقه في كل مكان طبعا

820
01:07:30,490 --> 01:07:35,690
ماهي المطلوب ان انا فعليا وين انا بدي اروح اطبق

821
01:07:35,690 --> 01:07:38,330
الـ Naive Bison فعليا انا بقدر اروح استخدمه او

822
01:07:38,330 --> 01:07:40,990
ممكن اشتغل كويس لما يكون الـ Naive Assumption

823
01:07:40,990 --> 01:07:46,240
فعليا موجودة مع ال data يعني بين جثينان انا شبه

824
01:07:46,240 --> 01:07:49,320
متأكد ان ال attributes اللى عندى كلها independent

825
01:07:49,320 --> 01:07:53,740
attributes لكن انت الكلام متأكد منه ولا مش متأكد

826
01:07:53,740 --> 01:07:57,840
منه؟ مابعرفش، مابيش الحل كيف بتتأكد من ال

827
01:07:57,840 --> 01:08:00,740
dependency من ال attributes؟ بدك ترجع لل data

828
01:08:00,740 --> 01:08:03,940
preparation و تفحص ال correlation ما بين ال

829
01:08:03,940 --> 01:08:07,600
attributes و زى ما شوفنا في عندنا ال chi-square و

830
01:08:07,600 --> 01:08:12,230
في عندنا ال اش كمان؟الـ Pearson coefficient إلى

831
01:08:12,230 --> 01:08:16,010
آخره هو بناءً على هيك انت بتصير تدور على تفهم ال

832
01:08:16,010 --> 01:08:19,310
data set أكتر very well separated categories لما

833
01:08:19,310 --> 01:08:22,350
يكون ال categories اللي عنده فعليًا finite و

834
01:08:22,350 --> 01:08:26,130
مفصلين عن بعض مافيش بينهم يعني بين جثين ال data

835
01:08:26,130 --> 01:08:29,830
set بتفرج بشكل كويس و احنا لاحظين في المثال السابق

836
01:08:29,830 --> 01:08:33,070
انه فعليًا عمل misclassification لل point اللي

837
01:08:33,070 --> 01:08:36,870
موجودة عندها very high dimensional data لما تكون

838
01:08:36,870 --> 01:08:41,870
ال data تبعتيالعالية جدا او فيها عدد كبير من ال

839
01:08:41,870 --> 01:08:45,630
attributes ممكن انا اشتغل اخر شغلة في محاضرتنا هي

840
01:08:45,630 --> 01:08:49,270
ال code ال code ال bython المفروض اللي انا بدي

841
01:08:49,270 --> 01:08:52,310
اشتغله على السريع في code ال bython اللي موجود

842
01:08:52,310 --> 01:08:55,810
عندي اعملت import لل data set فصلت ال features

843
01:08:55,810 --> 01:08:59,770
حددت ال labels كما المثال السابق تماما مع ال naive

844
01:08:59,770 --> 01:09:03,590
byes يعني مع ال kenyar snapperتمام؟ هذا شغل ال

845
01:09:03,590 --> 01:09:07,530
data set احضار ال data set from ال k .. ال sklearn

846
01:09:07,530 --> 01:09:12,390
.naive biased import gaussian لما قلتلكوا في عندي

847
01:09:12,390 --> 01:09:14,990
توزيع طبيعي أو ال gaussian distribution الموجود في

848
01:09:14,990 --> 01:09:19,430
ال .. هذا ال assumption تبعتي الأساسية as ..

849
01:09:19,430 --> 01:09:23,070
حطيتله alias name هنا بنيت عليه model و قلتله اعمل

850
01:09:23,070 --> 01:09:27,170
training على ال feature و ال label هذا الكلام

851
01:09:27,170 --> 01:09:32,010
ماكانش موجود إذا بتتذكره وينفي ال data set او مع

852
01:09:32,010 --> 01:09:35,770
.. عفوا مع ال canary snapper فالان اوجد العلاقة ما

853
01:09:35,770 --> 01:09:39,790
بين ال features و ال labels بنجو سينت بنى جدول

854
01:09:39,790 --> 01:09:43,650
الاحتمالات اللى بدناها قبل شوية و لما هى اللى

855
01:09:43,650 --> 01:09:47,390
قلتله هى فى عندى test sample روح اعملهايها و روح

856
01:09:47,390 --> 01:09:50,450
اعملها prediction فلما راح اعملها prediction

857
01:09:50,450 --> 01:09:54,470
هيديني ال label تبعتها بناء على جدول الاحتمالات

858
01:09:54,470 --> 01:09:59,180
اللى حصل منها فى حد فيكوا بيتذكرفي مرحلة الـ

859
01:09:59,180 --> 01:10:01,080
Prediction مع الـ Canary Snapper أشكال اللي بيطلع

860
01:10:01,080 --> 01:10:01,420
معايا

861
01:10:05,300 --> 01:10:08,140
لأ بالزمكوا المراجعة دي باستمرار عشان تتذكروا

862
01:10:08,140 --> 01:10:11,620
وبهيك .. لأ انا بذكرك انه كان بيديني ال distances

863
01:10:11,620 --> 01:10:15,340
بيديني ال shortest five distance او shortest k

864
01:10:15,340 --> 01:10:20,280
distances و ال index تبعت ال attributes تبعتها هذا

865
01:10:20,280 --> 01:10:24,020
مثال بتمنى موجود معاكم وموجود بين اديكم بال slides

866
01:10:24,020 --> 01:10:27,200
مثال ال golf السابق اللي احنا شوفناه روحوا طبقوا

867
01:10:27,200 --> 01:10:28,560
عليه ال ..

868
01:10:31,690 --> 01:10:34,870
الـ Naive Bison Algorithm وبدو اشتغلوا بحيث انكوا

869
01:10:34,870 --> 01:10:38,750
تفهموا اللي موجود هنا في الختام بدي اذكر انه في

870
01:10:38,750 --> 01:10:44,050
عندنا forum موجود منتده حواري على الموضل لأي سؤال

871
01:10:44,050 --> 01:10:47,950
لكل محاضراتنا باستمرار فإذا في عندك او عندك اي

872
01:10:47,950 --> 01:10:52,180
سؤالمشكورين اضيفوا السؤال على ال forum وانا ان شاء

873
01:10:52,180 --> 01:10:56,120
الله تعالى برد عليكوا بالإجابة الشافية اللى

874
01:10:56,120 --> 01:10:59,380
بترضيكوا بإذن الله تبارك وتعالى بتمنى لكوا السلامة

875
01:10:59,380 --> 01:11:02,560
دوما والسلام عليكم ورحمة الله والمحاضرة الجاية

876
01:11:02,560 --> 01:11:06,300
بنكمل في decision algorithm يعطيكم العافية